本論文主要是探討相片中人臉區域偵測相關技術與演算法，並且開發出一套可實現與應用的系統。
首先透過自動白平衡演算法進行影像色差的調整，然後經過色彩空間轉換與膚色偵測法，萃取影像中膚色分佈的範圍，再透過影像二值化方法，可得出類似人臉之區域，為使人臉區域形狀更加完整，我們運用形態學（Morphology）裏的侵蝕（Erosion）與膨脹（Dilation）等方法，可有效消除影像中的雜訊與連通區域的擴展，再以連通標記（Connected Component Labeling）演算法，來進行膚色區域之標，最後結合人臉的形狀、臉部內容特色(Face Feature)等多種偵測方法，判定最為可能之人臉區域。
經實驗結果， 本研究提出的三階段偵測法(Tri-Stage Detection Method)，確實能夠精準定位出相片中複雜背景裡的人臉區域，另外加上人臉形狀偵測的結果，可準確得到人臉輪廓特色下巴的位置，進而排除非人臉區域的脖子部位，最後將修正後的人臉區域做定位與輸出，供後續之應用與處理。

This thesis is to explore the human face region detection photos related technology and algorithms, and develop a set of systems and applications can be realized.
First conducted through the automatic white balance algorithms for image color adjustment, then through the color space conversion and color detection, extraction image color distribution of the range,then through the image binarization method, can be drawn from the face of
similar area, to make the shape more plus a complete face region, we use morphological (Morphology) in the erosion (Erosion) and expansion (Dilation) and other methods, which can effectively eliminate the noise in the image area and connected through the expansion, then connectivity markers (Connected Component Labeling) algorithm, to carry out the
skin area of the calibration, the final combination of face shape, face particular character (Face Feature) and other etection methods,to determine the most likely of the face region.
The experimental results, the study proposed three-stage detection method (Tri-Stage Detection Method), is indeed able to accurately locate the photo in the complex background of the face region, plus face shape detection results may be accurate face contour characteristics chin
position, ruling out non-face area of the neck area, and finally revised positioning of the face region to do with the output for the follow-up of the application and processing.

第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 1
1.3 文獻探討 2
1.4 論文架構 4
第二章 相關研究背景知識 5
2.1 光與色溫 5
2.2 自動白平衡 6
2.2.1 GWA 演算法 7
2.2.2 PRA 演算法 8
2.2.3 Lam 演算法 9
2.3 色彩空間 10
2.4 膚色偵測 14
2.5 影像灰階化 17
2.6 影像平滑化 18
2.7 邊緣偵測 19
2.8 直方圖分析 20
2.9 影像二值化 21
2.10 形態處理 22
2.11 連通標定法 26
2.12 人臉候選圖篩選 28
2.13 人臉區域標示定位 29
第三章 三階段偵測法 31
3.1 概述 31
3.2 人臉形狀偵測法 31
3.3 眼睛特色偵測法 35
3.4 嘴唇特色偵測法 37
第四章 系統實作 40
4.1 系統實作環境 40
4.2 系統架構 40
4.3 人臉形狀與內容特色偵測架構 42
4.3.1 人臉形狀偵測流程 44
4.3.2 眼睛特色偵測流程 46
4.3.3 嘴唇特色偵測流程 47
第五章 實驗結果與探討 50
5.1 自動白平衡實驗 50
5.2 膚色偵測實驗 51
5.3 人臉形狀偵測實驗 51
5.4 人臉內容特色偵測實驗 52
5.5 人臉區域偵測結果 53
5.6 實驗結果探討 55
第六章 結論以及未來展望 56
參考文獻 59
附錄─英文論文 62

圖目錄
圖 2.2.2 PRA 演算法改進結果 9
圖 2.3-1 正規化RGB 色彩空間膚色分佈圖(SORIANO[03]) 12
圖 2.3-2 色彩空間膚色分佈圖(Garcia[04][05]) 13
圖 2.4-1 RGB三原色混合[13] 14
圖 2.5-1 彩色影像轉灰階影像 17
圖 2.6-1 高斯濾波器運算子結構 18
圖 2.6-2 以高斯濾波器做影像平滑化結果 18
圖 2.7-1 SOBEL FILTER 示意圖 19
圖 2.7-2 Sobel邊緣測量結果 20
圖 2.8-1 直方圖分析示意圖([10]) 21
圖 2.9-1 邊緣影像經二值化後的結果 22
圖 2.10-1 4-NEIGHBORS 示意圖([10]) 23
圖 2.10-2 8-NEIGHBORS 示意圖([10]) 23
圖 2.10-3 4-PATH 示意圖([10]) 23
圖 2.10-4 8-PATH 示意圖([10]) 24
圖 2.10-5 8-PATH 非4-PATH 示意圖([10]) 24
圖 2.10-6 3×3 矩陣遮罩 25
圖 2.10-7 形態處理 26
圖 2.11-1 未編號前影像二值化圖 27
圖 2.11-2 疊代法依序編號示意圖 27
圖 2.11-3 疊代法第一次標定結果 27
圖 2.11-4 疊代法第二次標定結果 28
圖 2.13-1 人臉區域標示定位 30
圖 3.2-1 膚色區域的中心(X0,Y0)示意圖 32
圖 3.2-2 橢圓遮罩長短軸的比例 32
圖 3.2-3 橢圓遮罩搜尋比對示意圖 33
圖 3.2-4 人臉區域形狀偵測 34
圖 3.3-1 眼睛特色二值化 35
圖 3.3-2 眼睛搜尋區域示意圖 36
圖 3.4-1 嘴唇特色二值化 38
圖 3.4-2 嘴唇搜尋區域示意圖 39
圖 4.2 人臉區域偵測系統架構 42
圖 4.3 人臉形狀與內容特色偵測架構 44
圖 4.3-1 人臉形狀特色偵測流程 45
圖 4.3-2 眼睛特色偵測流程 47
圖 4.3-3 嘴唇特色偵測流程 49
圖 5.1 自動白平衡實驗結果([11]) 50
圖 5.2 膚色偵測實驗結果 51
圖 5.3 人臉形狀偵測實驗結果 52
圖 5.4-1 人臉眼睛特色偵測實驗結果 53
圖 5.4-2 人臉嘴唇特色偵測實驗結果 53
圖 5.5 人臉區域偵測驗結果 54

表目錄
表 5.6 實驗結果探討 55

[1] 劉嘉倫, 多重人臉偵測與辨識系統, 國立成功大學工程科學系研究所碩士論文, 2005.
[01] E. Y. Lam,“Combining Gray World and Retinex Theoryfor Automatic White Balance in Digital Photography,”Proceed ings of the Ninth International Symposium on Consumer Electronics,June 2005, pp.134 -139.
[02] Hsu Rein-L., M. Abode-Mottaleb, and A. K. Jain, Face Detection in Color Images, IEEE Transactions on Pattern Analysis and Machine Intellgence, Vol. 24, No. 5, MAY 2002.
[03] Soriano M., S. Huovinen, B. Martinkauppi,and M. Laaksonen, Using the Skin Locus to Cope with Changing Illumination Conditions in Color-Based Face Tracking,
Proceedings of the IEEE Nordic Signal Processing Symposium, pp. 383-386, 2000.
[04] Garcia C., G. Zikos, and G. Tziritas, Face Detection in Color Images using Wavelet Packet Analysis,Multimedia Computing and Systems, IEEE International Conference, Volume 1, pp. 703 - 708, 1999.
[05] Gracia C., and G. Tziritas, Face Detection Using Quantized Skin Color Regions Merging and Wavelet Packet Analysis, IEEE Transactions on Multimedia, Vol 1, NO 3, 1999.
[06] M. H. Yang, D. J. Kriegman, and N. A.Fellow,“Detecting Faces in Images： A Survey,”IEEE Transactions on Pattern Analysis, and Machine Intelligence, Vol. 24, No.1, pp. 34-58, Jan. 2002.
[07] E. Hjelmas, and B. K. Low, “Faces Detection： A Survey,” Computer Vision, and Image Understanding 83, pp. 236-274, Apr. 2001.
[08] Chiunhsiun Lin and Kuo-Chin Fan, “Human face xdetection using geometric triangle relationship,”Proc. of Int. Conf. on Pattern Recognition, vol. 2,pp. 945-948, Sept. 2000.
[09] Jeng S. H., H. Y. M. Liao, C. C. Han, M. Y. Chern,and Y. T. Liu, Facial Feature Detection using Geometrical Face Model： An Efficient Approach,Pattern Recog. 31, 1998.
[10] Ming-Hwei Perng, Ph.D., http：//ppsc.pme.nthu.edu.tw/prof/pme5263/
[11] Department of Information Engineering, Tamkang University, http：//www2.tku.edu.tw/~teix/CSIE/index.php?option=com_rsgallery2&Itemid=130
[12] GTK+, http：//www.gtk.org/documentation.html
[13] Wikipedia, http：//en.wikipedia.org/wiki/Rgb